-->
Bayu_Ajie
Bayu_Ajie knowledge is free you can learn anything

AI itu berbahaya

Apakah AI berbahaya ? Belajar dengan AI & ML


Image by : https://www.youtube.com/watch?v=B5-X_3_Kpww

Yo selamat datang bersama saya kembali Bayu Aji yang tampan hahaha, topik kali ini saya akan membahas sedikit tentang AI. Sebagian dari kalian terutama anak IT nih pasti tau lah apa itu AI, kamu kan anak IT hihihih, Okok saya jelaskan sedikit tentang AI, eitss sebelum itu jika saya ada kesalahan penjelasan atau kata mohon maaf ya ges.

 

 

Apa itu AI ?

 

Ok, AI adalah Artificial Intelligence kecerdasan buatan bisa dikatakan seperti itu. Tapi kok bang penejasannya segitu doang ih jelek ah, okok saya jelaskan panjang nih ya sayangku hihihiih.

 

What is AI ( Apa itu AI )

 

“Kecerdasan buatan adalah kecerdasan yang digunakan suatu sistem yang bisa diatur dalam konteks ilmiah atau bisa disebut juga intelegensi artifisial atau hanya disingkat AI, didefinisikan sebagai kecerdasan entitas ilmiah.

 

AI 'Kuat' biasanya diberi label sebagai AGI (Artificial General Intelligence) sementara upaya untuk meniru kecerdasan 'alami' disebut ABI (Artificial Biological Intelligence)”.

Dikutip dari : https://id.wikipedia.org/wiki/Kecerdasan_buatan 

 

 

Bedanya AI dan Machine Learning ?

 

Okok sebelum masuk kesini kenalan dulu sama ML. Jangan ngeres ya ges, maksud ML disini bukan ML enak enak hihihih, tapi singkatan dari machine learning, nah selanjutnya kenalan dengan pengertian ML.

 

Apa itu ML ( What is Machine Learning )

 

“ML adalah cabang dari kecerdasan buatan ( AI ), ilmu yang mencakup perancangan dan pengembangan algoritma yang memungkinkan komputer untuk mengembangkan perilaku ( Tindakan ) berdasarkan data, sensor”.


Terus apa bedanya dengan AI ?

Ok, sekarang apa sih bedanya AI dengan ML, dari pengertian di atas menurut kalian ada perbedaanya ? atau terlihat sama ? Baik jika kalian sudah mengetahui tenang perbedaan AI & ML itu bagus, tetapi bagiamana yang lain ? okok berikut adalah perbedaanya. 


  • AI bertujuan untuk meningkatkan peluang keberhasilan dan bukan akurasi, sementara ML berfokus pada peningkatan efesiensi dan tidak peduli pada kesuksesan.
  • Tujuan AI adalah untuk mensimulasikan kecerdasan alami dalam memecahkan masalah yang kompleks, sedangkan tujuan ML adalah belajar dari data untuk memaksimalkan kinerja machine.
  • AI adalah tentang membuat keputusan, sementara ML memungkinkan sistem untuk mempelajari hal-hal baru dari data.
  • AI akan membuat sistem untuk meniru manusia dan merespon serta berperilaku sesuai dengan itu. ML disisi lain terlibat dalam menciptakan algoritma untuk belajar sendiri.
  • AI akan mencari solusi optimal dalam suatu kasus, sementara ML tidak akan peduli dengan optimalitas.
  • AI akan mengarah pada kebijaksanaan atau pengetahuan, sedangkan ML akan mengarah pada pengetahuan.

 

Dikutip dari : https://schifferulqui4.medium.com/apa-perbedaan-antara-machine-learning-dan-artificial-intelligence


Apakah AI & ML penting ? 

Pentingnya AI dan ML, bagi saya AI dan ML itu penting, kenapa ? Ya di era jaman sekarang dan teknologi semakin canggih, banyak semakin yang berkembang, AI memiliki peran penting disini, AI dapat melakukan banyak hal, semisal  AI menganalisis data lebih banyak, AI memanfaatkan sebagain besar data, AI mengautomasi pembelajaran dan penemuan berulang melalui data. 


AI dapat menggunakan jaringan neural ( Neural Network ) yang bisa membangun sistem deteksi penipuan, image comparison, analisis data. Semakin banyak data yang kalian kumpulkan maka akan semakin akurat, untuk itu AI dapat mengatasi permasalahan yang ada di masa depan, AI bisa digunakan dimana saja contohnya, di dalam kendaraan, di bagian medis, di data analis, dan security, alat senjata, robot bahkan mainan. 


Lalu, bagaimana cara kerja AI ? Hmmmm.... gimana ya kalau dijelasin panjang heheh, ok saya akan menjelaskan kulit ( dasarnya ) terlebih dahulu, cara kerja AI bisa saya simpulkan seperti ini. 




Ini adalah contoh gambaran yang bisa saya simpulkan, dari flow di atas adalah cara kerja dari sebuah AI, dari berbagai proses permasalahan, data sample, pengumpulan data, modeling, algoritma, test & improve, saya akan menjelaskan sedikit dari flow gambar di atas tersbut.



1. Tentukan permaslahan terlebih dahulu, semisal kalian ingin membuat face detection, atau face recognition, setelah menemukan permasalahan lalu bagaimana hasil yang akan dikeluarkan ? Atau hasil seperti apa yang diinginkan ? Selanjutnya bisa menyiapkan bahan apa saja yang dibutuhkan, dari sample, library, alogitma, modeling dan lain sebaginya.



2. Sample data. Data dibagi menjadi dua kategori apa saja itu ?  Data terstruktur dan tidak terstruktur. contohnya data yabg sesuai dengan format yang kaku untuk memastikan konsistensi dalam pemrosesan dan juga kemudahan analitik. bisa berupa  nama orang, nama belakang, tanggal lahir, alamat, dan sebagainya.



Data tidak terstruktur adalah segalanya. Data dipertahankan dalam pola yang tidak seragam. Ini dapat mencakup audio, gambar, citra, kata-kata dan infografis. - Contoh seperti email, percakapan telepon, WhatsApp, pesan WeChat.



3. Data mining atau pengumpulan data, setelah sample data sudah ditemukan sekarang kalian bisa mengumpulkan sample - sample tersebut untuk dijadikan himpunan atau populasi dan disimpan di dalam database. 


Sebelum menjalankan model, kita harus memastikan bahwa data telah diatur, kita harus memeriksa konsistensi, menentukan urutan kronologis, menambahkan label jika perlu, dan seterusnya. Secara umum, semakin kita memiliki banyak data, kita cenderung memberikan hasil untuk menyelesaikan masalah yang kita tentukan.



4. Model, fungsi model disini untuk menentukan keputusaan ( hasil ) yang akan dikeluarkan, inti dari model disini adalah model  harus mengungkapkan alasan di balik keputusannya untuk membantu menafsirkan proses keputusan.


5. Algotima. Contoh-contoh ini algoritma lain yang bisa kita pilih dalam Supervised Learning seperti random forest , klasifikasi naïve bayes , support vector machine dan regresi logistik. Meskipun demikian, contoh ini membantu kalian memahami jenis algoritme dalam AI. 

contoh kasus misal nya :

Contoh penggunaan algoritma klasifikasi contohnya kalian ingin memahami atau menganalisis peluang apakah pinjaman uang kemungkinan bisa lunas atau tidak.


Contoh penggunaan algoritma regresi jika kalian ingin menghitung berapa kerugian yang diharapkan untuk pinjaman yang gagal bayar tersebut. Dalam konteks ini, kalian mencari nilai. Berapa jumlah uang yang saya perkirakan akan hilang jika pinjaman gagal ? 



6. Test data. Setelah memilih algoritma, kita perlu melatih model tempat kita memasukkan data ke dalam model. Langkah penting di sini adalah akurasi model. Meskipun tidak ada ambang batas yang diterima secara luas atau diinternasionalkan, sangatlah penting untuk menetapkan akurasi model dalam kerangka pemilihan. kalian perlu mengeulangi model dan memeriksa semua langkah berbeda yang telah dilakukan.


Stelah tahap test selesai dan tidak ada kendala, saatnya improve, kita bisa mencoba kembali model yang sudah dibuat, apakah pemilihan keputusan sudah benar ? Atau masih melenceng ? Semisal kalian memasukan gambar anjing, kemudian algoritma kalian mengeluarkan output kucing, jika tidak ada kendala artinya kalian sukes. 


Implementasi di real project 


Okok diisni adalah project AI dengan tema Augmented Reality, implementasi Hand gesture detection pada AR, okok apa itu AR ? 


Augmented Reality ( AR ) adalah suatu teknologi yang menggabungkan sebuah konten nyata dan virtual secara real-time yang di proyeksikan pada dunia nyata untuk mempermudah penggunanya dalam melakukan interaksi dengan konten dua dimensi maupun 3 dimensi secara langsung. Teknis sistem AR adalah sebagai berikut :


1. Teknologi yang digunakan memiliki tampilan yang dapat menggabungkan 

antara konten virtual dan nyata, 


2. Sistem komputer dapat menghasilkan grafik interaktif yang dapat 

memproses input pengguna secara real-time dan memliki sistem tracking

yang dapat menemukan posisi sudut pandang pengguna,


3. Sistem dapat mengeluarkan data virtual ke dunia nyata.


Salah satu teknis AR menggunakan sistem AR yang memanfaatkan visi komputer yaitu menggunakan AR berbasis kamera dengan proyektor. Kamera digunakan sebagai input dari AR. Kemudian, input tersebut diproses dengan metode yang sesuai kebutuhan. Sedangkan, proyektor digunakan sebagai alat untuk  output dari hasil AR tersebut. Sistem ini dapat meningkatkan konten virtual pada ruang yang lebih spesifik dan merpemudah pengguna untuk menyesuaikan ouput sesuai arah yang diinginkan pengguna melalui proyektor tersebut. Metode yang dilakukan dapat menggunakan marker maupun markless.


Gesture adalah komunikasi non verbal yang menggunakan aksi tubuh untuk menyampaikan suatu pesan - pesan tertentu menggunakan bahasa isyarat, yaitu isyarat tubuh, isyarat wajah, dan isyratat tangan. 


Handgesture detection adalah sebuah sitem pengenalan gerakan tangan yang mengimplementasikan cara kerja sistem penglihatan dan pengenalan menggunakan mata manusia sebagai sensor yang merekam objek gesture tangan dan mengirim informasi ke otak untuk untuk diproses sehingga menghasilkan sebuah output. Contoh pengaplikasian seperti gambar di atas. 


Flowchart sistem 


Flowchat Sistem 2 ( mudah dipahami ) 



Perancangan yang digunakan pada penelitian ini melalui beberapa tahapan 
yaitu, pemilihan Dataset, mengonversi Dataset ke dalam format TensorFlow, 
pelatihan model handgesture detection menggunakan Python, dan melakukan 
perhitungan optimasi sistem. 


Pada proses pengambilan Dataset ada beberapa hal yang perlu diperhatikan seperti gambar yang diambil memiliki tingkat piksel yang tinggi, gambar diambil dari tampilan egosentris pada tiap lingkungan yang berbeda, dan gambar diambil pada pencahayaan yang stabil. Kemudian, Dataset tersebut diubah ke format TensorFlow dengan format tfrecord agar dapat dilakukan untuk training data.


Training data menggunakan metode Single Shot Multibox Detector ( SSD ) untuk deteksi handgesture. Setelah itu hitung optimasi sistem berdasarkan 3 
parameter yaitu akurasi, overlap, dan precision. Perancangan sistem pada penelitian ini dimulai dengan melakukan 
pengunmpulan Dataset dan menggunakan metode Single Shot Multibox Detector ( SSD ) untuk deteksi handgesture.



Convolutional Neural Network (CNN)


image by : https://towardsdatascience.com/


Convolutional Neural Network adalah algoritma Deep learning yang menggunakan metode pengembangan Multi Layer Perceptron (MLP) untuk data dimensi tinggi (gambar atau video) . CNN memiliki dua metode yaitu klasifikasi menggunakan feedforward dan tahap pembelajarannya menggunakan backpropagation. Cara kerja dari CNN adalah dengan meniru kerja otak pada manusia yang terdiri dari berbagai neuron. Metode yang digunakan pada CNN memiliki perbedaan mendasar dengan MLP yaitu bentuk neuronnya. CNN mempresentasikan setiap neuronnya dalam bentuk dua dimensi, sedangkan MLP hanya berisi neuron satu dimensi.


Gambar diatas menjelaskan bahwa arsitektur CNN memiliki beberapa lapisan tersembunyi (hidden layer). Input dari CNN adalah berupa vector tunggal dan data yang dipropagasikan adalah data dua dimensi sehingga operasi linier pada CNN menggunakan konvolusi. Arsitektur CNN dibagi menjadi dua fitur, yaitu feature extraction dan classification. Feature extraction terdiri dari convolutional layer dan pooling layer. Sedangkan, classification terdiri dari fully connected layer.


Convolutional Layer 

Convolutional layer adalah layer yang terdiri dari neuron yang tersusun 
sehingga membentuk sebuah filter yang berfungsi untuk deteksi dan mengekstrasi 
ciri pada input yang diberikan. Cara kerja dari konvolusi layer ini menghitung 
output dari neuron yang terhubung ke daerah lokal dalam input. Kemudian, hasilnya akan berupa angka yang merupakan dot product antara bagian input dengan filteryang digunakan. Setelah itu, dengan menggunakan konvolusi filter pada kemungkinan posisi filter tersebut akan menghasilkan sebuah activation map.


Pooling Layer

Pooling layer adalah lapisan yang mereduksi dimensi dari feature map secara parsial menggunakan operasi down-sampling sehingga dapat mempercepat komputasi dan mengatasi overfitting. Fungsi pooling yang digunakan ada 3, yaitu max pooling, average pooling, dan norm pooling. Pooling yang umum dipakai adalah max pooling.


Max pooling adalah fungsi yang mereduksi jumlah parameter dengan cara membuat matriks baru dengan ukuran lebih kecil. Konsep max pooling ini adalah dengan menentukan nilai maksimum pada tiap pergeseran filter dan mengambil pixel terbesar untuk menjadi matriks baru. Ilustrasi proses dari Max Pooling dapat dilihat di bawah ini. 

image by : https://medium.com/@duanenielsen/


Fully-connected Layer

Fully-connected layer adalah layer yang berfungsi dalam penerapan multi layer perceptron untuk melakukan transformasi pada dimensi data agar data dapat diklasifikasikan secara linier. Sebelum masuk ke fully-connected layer, activation map yang dihasilkan dari feature extraction diubah menjadi sebuah vektor menggunakan reshape activation map agar dapat digunakan untuk input pada Fully-Connected Layer. Hasil dari layer ini adalah sebuah vektor berdimensi K untuk klasifikasi, dimana K adalah jumlah kelas yang diprediksi. Arsitektur dari layer ini dapat dilihat di bawh ini 


Image by : http://sofyantandungan.com/


Single Shot Multibox Detector

Single Shot Multibox Detector (SSD) adalah algoritma deep learning yang 
bekerja berdasarkan pendekatan pada feed - forward convolutional network yang 
mendiskritasi ruang output dari kotak pembatas menjadi satu set kotak standar pada berbagai rasio dan skala aspek per lokasi peta fitur. Cara kerja pada SSD 
hampir sama dengan metode You Only Look Once (YOLO). Namun, SSD dan 
YOLO memiliki perbedaan mendasar pada arsitekturnya.

Image by : https://www.linkedin.com/pulse/

Perbedaan SSD dan YOLO dapat dilihat pada arsitektur convolutional dan feature extraction. YOLO hanya menggunakan fitur skala tunggal dan memiliki fully-connected layer untuk skor dan koordinat bounding boxes. Sedangkan, SSD menambahkan lapisan fitur konvolutional ke ujung base network yang memprediksi rasio aspek yang berbeda. SSD memiliki fitur utama, yaitu multi-scale feature maps, convolutional predictors, default boxes dan  aspect ratios.


Multi-Scale Feature Maps 

Multi-Scale Feature Maps adalah sebuah fitur yang digunakan untuk 
mendeteteksi fitur-fitur pada objek dari satu lapisan. Sistem kerja pada fitur ini
dengan menambahkan lapisan fitur convolutional ke ujung base network. 
Kemudian, lapisan-lapisan ini akan berkurang secara progresif yang 
memungkinkan dapat melakukan prediksi dengan skala yang berbeda. 
Model fitur convolutional pada fitur ini berbeda-beda untuk setiap fitur layer.


Convolutional Predictor

Convolutional Predictor adalah sebuah fitur yang berfungsi untuk 
mendapatkan suatu prediksi deteksi menggunakan seperangkat filter konvolusional. 

Pada setiap fitur yang ditambahkan dapat menghasilkan suatu prediksi deteksi yang tepat dengan filter konvolusional yang digunakan. Cara kerja fitur ini dapat dilihat pada Gambar di atas dimana lapisan fitur pertama akan mencari nilai parameter yang digunakan untuk deteksi potensial.

 

image vy : https://ichi.pro/


Kemudian, output dari deteksi potensial adalah sebuah skor untuk kategori atau 
bentuk offset relative terhadap koordinat kotak default. Pada masing-masing kernel 
yang diterapkan, menghasilkan nilai output dari bounding box yang diukur secara 
relatif terhadap kotak pembatas default.


Default Box and Aspect Ratio 

Default Box and Aspect Ratio adalah sebuah fitur yang mengaitkan 
serangkaian default bounding box dengan beberapa peta fitur yang telah didapat 
pada jaringan atas. Cara kerjanya adalah default bounding box melakukan 
signifikasi dengan menggunakan fitur secara konvolusional untuk mendapatkan
posisi bounding box yang tetap. Kemudian, setiap sel fitur memperkirakan offset 
relative terhadap bentuk default bounding box masing-masing sel dan menghitung 
skor pada masig-masing kotak. Setelah itu, hasilnya diterapkan pada beberapa 
posisi fitur dengan resolusi yang berbeda.


Python 

Python adalah sebuah bahasa pemrograman yang dapat mengintegrasikan 
sistem dengan lebih efektif dan membuat sistem bekerja lebih cepat. Python
dikembangan di bawah lisensi open source yang disetujui OSI sehingga dapat 
digunakan dan didistribusikan secara bebas. Kelebihan dari Python adalah user 
friendly, mudah dipahami, dan memiliki Python Package Index (PyPI) yang 
menampung ribuan modul untuk Python.


TensorFlow 

TensorFlow adalah library ( perpustakaan ) perangkat lunak yang bersifat open source. untuk membantu dan mengembangkan model machine learning. Lisensi yang digunakan pada TensorFlow adalah menggunakan Apache 2.0 License. Sehingga,TensorFlow dapat digunakan oleh semua orang. Pustaka TensorFlow dapat digunakan untuk JavaScript, Mobile and IoT, dan untuk end-to-end platform data untuk penerapan model pada lingkungan produksi yang besar.


Jika kalian berminat untuk mencoba AI, saya ada refensi untuk kalian pelajari 







Bahasa pemrograman terbaik untuk AI ?


Tergantung pada kebutuhan kalian sendiri dan berbagai faktor. Seperti yang kalian ketahui, ada banyak bahasa pemrograman di luar sana dari C ++  dan Java hingga Python an, R. Python dan R adalah bahasa yang lebih populer karena menawarkan seperangkat alat yang kuat termasuk library Machine Learning yang ekstensif kepada pengguna. 



Platform yang Dipilih


Pilih platform yang menyediakan semua layanan daripada membeli layanan kalian sendiri, database, dan lain sebagainya. Platform yang lebih populer termasuk Microsoft Azure Machine Learning , Google Cloud Prediction API , TensorFlow , Ayasdi , dan sebagainya.


Langkah untuk belajar AI ?


Okok, disini saya akan membagikan langkah untuk belajar AI, ini adalah cara saya sendiri, saya juga masih belajar, jauh di atas master alias masih noob, tetapi akan saya berikan tipsnya untuk belajar sebuah AI. 


  • Pahami matematika 
  • Pahami bahasa pemograman yang digunakan
  • Pahami tentang data analisis
  • Pelajari Algotima 
  • Pelajari bahasa inggirs
  • Never give up 

Software yang dibutuhkan 


  • - Code Editor 
  • - Compiler 
  • - Library 
  • - Anaconda
  • - Jupyter
  • - Tensor Flow 



Apakah AI berbahaya ? 




Okok, setelah mempelajari AI dan kegunaanya, seperti dikatakan tadi, banyak sekali manfaat AI Dari di bidang medis, di bidang militer, bahkan untuk platform smart city, smart home, OS, memerlukan AI.


Sungguh luar biasa manfaat dari AI ini, tetapi di sisi gelap AI memiliki dampak negatif, apa saja itu ? AI merupakan sistem yang canggih dan luar biasa, dibalik kehebatan tersebut memiliki sisi negatif yang harus diperhatikan.


AI bisa saja digunakan oleh orang yang tidak bertanggung jawab, untuk kejahatan dan lain sebagainya, dampak dari AI ini cukup mengerikan ketika digunakan untuk kejahatan, bisa jadi melibatkan konflik yang besar, yuk simak apa saja sih 
dampak negtifd dari AI ini.


Deepfake 

Pasti dari kalian tahu tentang deepfake. Deepfake adalah teknik untuk sintesis citra manusia menggunakan kecerdasan buatan ( AI ). Deepfake digunakan untuk menggabungkan dan menempatkan gambar dan video yang ada ke sumber gambar atau video menggunakan teknik pemelajaran mesin yang dikenal sebagai jaringan permusuhan generatif.


Dampak dari deepfake ini bukan main - main, dengan teknik ini bisa saja pihak tidak bertanggung jawab memanfaatkan ini untuk membuat berita hoax, untuk vidio porno, mengancurkan sebelah pihak dan lain sebagianya, seram bukan ? 


Senjata AI 

Pada poin ini, sudah ada senjata yang menggunakan AI, bisa saja jika peperangan dunia ke 3 terjadi persenjataan semakin canggih, dari armada, obat - obatan, missil dan persenjataan lainya. Jika kalian mencari tahu di sumber terbuka dengan keyword "AI weapon" lihat apa yang terjadi ? Banyak yang bermunculan artikel yang membahas tentang senjata super canggih.


Semoga saja tidak ada perang dunia ke 3, kenapa ? Jika terjadi ini efeknya akan sangat buruk, dampak kerusakan akan sangat besar, untuk itu kita sebagai manusia berdoa semoga tidak ada konflik lagi antar negara dan menciptakan perang dunia ke 3.



Munculnya virus baru 

Okok disini bukan virus komputer, melainkan virus buatan yang bisa menginfeksi manusia seperti covid, dan virus lainya, dengan teknologi super canggih mungkin saja akan muncul berbagai senjata biologi yang berakibat sangat fatal.


Jika kalian bermain game resident evil, pasti mengetahui tentang virus zombi, yap bisa saja ini terjadi pada dunia nyata ges, dengan teknlogi, peralatan, pengetahuan yang sangat memadai dan mendukung bisa saja ini terjadi di dunia nyata, serem bukan ?  


Kurangnya lapangan pekerjaan

Yap di poin ini lapangan pekerjaan akan semakin berkurang, kenapa ? Karena semua diganti dengan robot, jika kalian ngeh. Di era jaman sekarang sudah terganti dengan mesin semua, dari supir, mini market, SPBU, musisi dan lain sebagainya, jika teknologi semakin berkembang mungkin saja banyak lapangan pekerjaan yang akan digantikan dengan robot di masa depan.


Menurut saya pekerjaan yang tidak akan bisa diganti robot antara lain, dokter, cheff ( Koki ) Kenapa ? karena robot berbeda dengan manusia, dan sistem tubuh manusia berbeda dengan robot, dokter ( manusia ) jauh lebih baik ketimbang robot.


Semisal cheff bagiaman bang ? Cheff atau juru masak, bayangkan jika yang memasak robot, dari olahan rasa, dan bahan akan berbeda, rasa akan jauh lebih enak jika yang membuat adalah manusia asli (  koki ). Tetapi bisa saja pekerjaan tersebut digantikan dengan robot, tetapi jika saya pikir itu hal yang sulit dilakukan. 



Pemusnahan manusia 

Hmmm, jika kalian mengetahui sofia si robot pintar, robot mekanisme seperti manusia bisa berbicara dan mengetahui apa saja dengan lawan bicaranya,
Hooh, robot ini mempunyai jaringan database yang sangat besar, robot ini dapat mengetahui apa saja, dari nama tempat, tokoh publik, dan lain sebagainya.



Bayangkan kita sebagai manusia kalah pintar dengan robot, hmmm mungkin saja robot akan memperbudak manusia dan robot menguasai dunia dibandingkan dengan manusia, dan dapat berevolusi menjadi lebih canggih dari sebelumnya.


 

Alat peretasan yang sangat canggih ( tools hacking ) 

Di poin ini adalah, alat peretasan begitu canggih, semisal tools tersebut dapat mengumpulkan data pribadi sesorang dengan cara otomatis dari nama, tanggal lahir, wajah, dan informasi detail lainya. Yap semisal alat ini dipegang oleh orang tidak bertanggung jawab akan berbahaya, bisa saja kita dapat diintai oleh sesorang dan dapat menenor kita dengan akurat.


Hmmmm tetapi jika data tersebut dipegang oleh pihak yang bertanggung jawab
ini bisa saja berbahaya, semisal kebocoran data, nah data tersebut bisa digunakan juga untuk keperluan kejahatan. Dan berbagai tools canggih lainya yang akan berdampak buruk. 



Terjadinya kiamat 

image by : https://www.hidayatullah.com/

Okok, di poin ini saya kurang tahu pasti, tetapi saya pernah mendengar ceramah dan membaca sebuah artikel tentang ini. Yap isi dari ceramah dan artikel yang saya baca adalah, jika teknologi menguasai dunia dan semakin canggih ini adalah pertanda kiamat semakin dekat.


 
Saya ingat betul kajian tersebut tetapi saya lupa hadits dan ayat al - qur'an nya, jika kalian beragama islam bisa tanyakan ke pak ustad ya. Saya takut salah hehehe

Tetapi saya menemukan artikel yang membahas pada poin ini, yap isi dari kutipanya adalah seperti ini. 


Syekh Hamūd at-Tuwaijiri dalam Ithāf berkata: maksud pasar-pasar saling berdekatan ialah dengan bermodalkan alat elektornik (seperti smartphone) maka segala jenis barang bisa didapat sesuai keinginan dan mudah. Bahkan harga-harga barang satu negara dengan negara lain dapat diketahui dengan cepat.
Keadaan ini tentu tidak dirasakan kecuali oleh orang-orang yang hidup dimana iptek berkembang luas.


Jadi, sebenarnya kemajuan sains dan teknologi ini memiliki dua sisi satu mengembirakan kita sebab segara urusan dipermudah, sisi lain mengkhawatirkan kita karena ia pertanda akhir zaman kian dekat.*/Wandi Bustami, Lc. M.A, Penulis alumni Al Azhar, Mesir dan Asatidz Tafaqquh Study Club.

Dikutip dari : https://www.hidayatullah.com/kajian/



Kesimpulan 

Okok, kesimpulan pada postingan ini yaitu, kita sentatiasa bersyukur, banyak teknologi yang berkembang dan dapat kita nikmati. Dan kita sebagai manusia, selalu berhati - hati dengan namanya teknologi, kita tidak harus 100% selalu percaya dengan teknologi.


Untuk itu jika kalian memiliki ilmu, atau penegathuan yang sangat bagus, tolong bisa gunakan ilmu dengan baik. Minimal bermanfaat untuk anggota keluarga sendiri, dan jangan gunakan ilmu kalian sebagai kriminal. 




Okok, disini saya bukan bermaksud sombong, disini saya memberikan sedikit motivasi bagi pembaca di blog ini. Yap saya membuat mini smarthome IoT yang berisi berbagai fitur. Contohnya : 

  • - Search engine ( Menggunakaan API bing )  
  • - Wikipedia ( Berisi archive pengetahuan bermanfaat )
  • - Film ( Tanpa harus berlangganan netflix )
  • - Mini cloud storage 
  • - Tranfer file tanpa USB 
  • - Torentbox 
  • - Mini home server 

Porject ini dibuat dengan bahasa c, c++, php, js. html, dan bahasa r 
Project ini masih tahap penegembangan.


Yap minimal ilmu pengetahuan kalian bisa bermanfaat bagi orang terdekat, jika bisa bermanfaat bagi semua orang 
Untuk itu yuks bersyukur apa yang sudah kita miliki, kurangi mengeluh, semoga kita bisa sukses secara bersama - sama.
Terima kasih yang sudah membaca full di post ini, jika saya ada salah mohon dimaafkan :)  


Keyword Search 

  • AI Project
  • Dampak AI
  • AI berdampak pada kehidupan dan agama
  • Implementasi AI 

Bayu_Ajie
Bayu_Ajie  knowledge is free you can learn anything

Komentar